Ensembler：通过选择性集成保护协作推理隐私免受模型反转攻击
密码学与安全
2024-12-24 v2 机器学习
摘要
对于通过云计算平台进行的协作推理，客户端有时必须保护其敏感信息免受云提供商的侵害。在本文中，我们介绍了Ensembler，一个可扩展的框架，旨在显著增加对抗方进行模型反转攻击的难度。Ensembler利用对抗服务器上的选择性模型集成来混淆客户端私有信息的重建。我们的实验表明，即使客户端仅在本地保留网络的一层，Ensembler也能有效保护输入图像免受重建攻击。在结构相似性方面，Ensembler比基线方法高出43.5%，而推理时仅增加4.8%的时间开销。
引用
@article{arxiv.2401.10859,
title = {Ensembler: Protect Collaborative Inference Privacy from Model Inversion Attack via Selective Ensemble},
author = {Dancheng Liu and Chenhui Xu and Jiajie Li and Amir Nassereldine and Jinjun Xiong},
journal= {arXiv preprint arXiv:2401.10859},
year = {2024}
}
备注
in submission